Resumen

En el algoritmo estándar de luciérnagas, cada luciérnaga tiene la misma configuración de paso y sus valores disminuyen de iteración en iteración. Por lo tanto, puede caer en el óptimo local. Además, la disminución del paso está restringida por el máximo de iteraciones, lo que influye en la velocidad de convergencia y precisión. Para evitar caer en el óptimo local y reducir el impacto del máximo de iteraciones, se propone en el artículo un algoritmo de luciérnagas con paso autoadaptativo. Su idea principal es establecer el paso de cada luciérnaga variando con la iteración, de acuerdo con la información histórica y la situación actual de cada luciérnaga. Se realizan experimentos para mostrar el rendimiento de nuestro enfoque en comparación con el FA estándar, basado en dieciséis funciones de prueba estándar. Los resultados revelan que nuestro método puede prevenir la convergencia prematura y mejorar la velocidad y precisión de convergencia.

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Algoritmo luciérnaga; óptimo local; Máximo de iteración; Paso autoadaptativo; Velocidad de convergencia; Funciones de referencia
• Keywords:Firefly algorithm; Local optimum; Maximum of iteration; Self-adaptive step; Convergence speed; Benchmark functions